Udnyttelse af banebrydende teknologi til renere atomenergi:Gennembrud inden for jodfangst

I en undersøgelse offentliggjort i tidsskriftet Frontiers of Environmental Science &Engineering , har forskere fra Sichuan University afsløret betydelig indsigt i struktur-ydelsesforholdet mellem metal-organiske rammer (MOF'er). Deres undersøgelse kaster ikke kun lys over kompleksiteten involveret i MOF'ers jodoptagelsesevne, men understreger også nødvendigheden af ​​en omfattende, mangefacetteret analyse.

I denne omfattende undersøgelse brugte forskere storskala molekylær simulering og maskinlæring (ML) til at identificere de mest effektive MOF'er til at fange gasformigt jod. Ved at bruge en storslået kanonisk Monte Carlo-simulering på tværs af en database med 8.862 MOF'er var holdet i stand til at forudsige jodoptagelsesværdier og udpege de 10 bedste MOF'er ved at visualisere deres specifikke adsorptionssteder.

Ved at bruge ML yderligere etablerede de vitale struktur-egenskabsforhold, der forbinder MOF'ers strukturelle og kemiske egenskaber med deres jodfangsteffektivitet. Denne undersøgelse afslørede ikke kun nøgleindsigter i MOF'ernes struktur-ydelsesforhold, der demonstrerede en stærk korrelation mellem visse geometriske træk som stor hulrumsstørrelse og overfladeareal og forbedret jodoptagelse, men fremhævede også nødvendigheden af ​​multifaktoriel analyse. Denne tilgang var afgørende for at forstå, at ingen enkelt egenskab udelukkende kunne forudsige en MOF's jodoptagelsesevne, hvilket markerer et betydeligt fremskridt inden for miljømaterialedesign.

Denne forskning etablerer en omfattende ramme for at skabe avancerede MOF-adsorbenter, der forbedrer indfangningen og genvindingen af ​​radioaktivt jod og lignende flygtige miljøfarer. Det udgør et væsentligt fremskridt med hensyn til at forbedre oparbejdning og styring af nukleart brændsel, hvilket bidrager væsentligt til radiokemi og stræben efter bæredygtig kerneenergi.

Flere oplysninger: Min Cheng et al., En storstilet screening af metalorganiske rammer til jodfangst, der kombinerer molekylær simulering og maskinlæring, Grænser for miljøvidenskab og -teknik (2023). DOI:10.1007/s11783-023-1748-3

Leveret af Chinese Academy of Sciences